基于亮度与彩色纹理统计的无参考图像评价

基于均值减去对比度归一化系数与彩色共生矩阵相结合,提出一种通用无参考图像质量评价方法。首先,分别利用对称广义高斯分布和非对称广义高斯分布拟合MSCN系数组成18维特征值作为亮度统计特征;其次,将原始图像从RGB色域转换到HSV色域,分别提取H、S、V3个通道的4维灰度共生矩阵的纹理特征,将3通道4维共计12维特征值通过既定公式融合降维成3维作为彩色纹理统计特征;最后,在1个原始尺度和1个经过高斯降采样尺度下提取上述参数共计42维参数组成特征集利用SVR和SVC建立图像质量评价和失真类型识别模型。利用LIVE数据库与真实数据库验证了所提的方法与人眼主观感受有着很好的一致性。

基于多尺度卷积神经网络的无参考图像质量评价

图像质量评价广泛应用于图像处理领域。提出了一种基于多尺度卷积神经网络(multi-scale convolutional neural network,MCN-Net)的无参考图像质量评价方法,该方法将卷积神经网络与迁移学习相结合。首先,通过使用Resnet-50网络与感知模块相结合的方式,有效提取满足人类感知的多尺度语义信息特征;然后利用自适应融合网络对局部语义信息进行特征融合;最后,将融合后的局部语义信息与全局语义信息进行连接,并输入到全连接回归网络实现图像质量预测。为了验证模型的有效性,分别在LIVE、KonIQ-10K,LIVEC数据集上做了性能对比试验,实验结果表明,所提模型的图像质量评价性能优于目前大多数主流方法,并且在真实失真数据集上的泛化性能更好,适合用于自然失真场景。

基于元原型网络的无参考图像质量评价

针对基于深度学习的模型因需要大量标注数据而选择在预训练模型上进行微调,导致面对新任务泛化性不足的问题,提出一种基于元原型网络的无参考图像质量评价算法。利用元原型网络提取相关任务中的元知识形成质量先验模型,在面对未知任务时快速泛化。首先,在不同失真的数据集上利用元学习方法获取各种失真的共享先验知识得到质量先验模型;接着,为了能够更好地捕获各种失真场景共享先验知识,利用元原型单元对图像特征进行重建,以获得更加丰富的先验知识,从而便于后续的质量分数预测过程;最后,在目标任务上对质量先验模型进行微调,以构建质量模型。在CID2013、LIVE challenge和KonIQ-10K三个数据库上的实验结果表明,所提方法具有更好的性能。

融合全局-局部特征的双通道无参考图像质量评价算法研究

针对目前大多数图像质量评价(Image Quality Assessment,IQA)算法在对非均匀失真图像进行质量评估时效果不佳的问题,提出一种结合全局-局部特征的双通道无参考图像质量评价(No-Reference Image Quality Assessment,NR-IQA)算法。首先,考虑输入图像尺寸的不同,利用局部失真重组算法对输入图像进行预处理。其次,利用基于Swin Transformer模块的双通道神经网络提取图像的全局特征和局部特征。最后,通过质量回归预测网络完成全局-局部特征到图像质量分数的映射。实验结果表明,该算法在两个数据集上分别取得0.823和0.871的斯皮尔曼等级相关系数(Spearman Rank Order Correlation Coefficient,SROCC)指标值,表明所提出算法与人的主观感知较为吻合。

基于视觉特性的无参考图像质量评价算法

针对传统无参考图像质量评价算法特征单一、需主观评价结果参与训练和对比度失真图像性能差等问题,提出一种结合颜色和纹理特征及视觉特性的改进算法。首先,为待评价图像构造一幅伪参考图像;其次,依据视觉特性将二者划分为主要与次要感兴趣区域,进一步将区域细化为更小的块并提取其中不同的颜色特征与纹理特征以建立多元高斯模型;最后,计算二者主要感兴趣区域之间、次要感兴趣区域之间的模型参数距离,作为质量分数评价图像的好坏。在公开数据集SPAQ和CSIQ上与传统算法QAC、NIQE、IL-NIQE等进行比较,计算线性皮尔森系数、斯皮尔曼秩相关系数、均方根误差等质量评价指标,实验结果表明所提算法优于传统算法。

基于特征符号化和Transformer的无参考图像质量评价方法

基于深度学习的无参考图像质量评价方法目前存在语义关联性不足或模型训练要求高的问题,为此,本文提出了一种基于语义特征符号化和Transformer的无参考图像质量评价方法。首先使用深层卷积神经网络提取图像的高层语义特征;然后将语义特征映射成视觉特征符号,并基于Transformer自注意力机制对视觉特征符号之间的关系进行建模,提取图像的全局特征,同时使用浅层神经网络提取底层局部图像特征,捕捉图像低级失真信息;最后结合全局图像信息与局部图像信息,对图像质量进行预测。为了验证模型的精度和鲁棒性,以相关系数PLCC和SROCC作为评价指标,在5个主流的图像质量评价数据集和1个水下图像质量评价数据集上进行了实验,并将本文提出的方法与15种传统和基于深度学习的无参考图像质量评价方法进行了对比。实验结果表明,本文方法以较少的参数量(大约1.56 MB)在各类数据集上均取得了优越的性能,尤其在多重失真数据集LIVE-MD上将SROCC提升到了0.958,证明在复杂的失真情况下仍能准确评估图像质量,本文网络结构能满足实际应用场景。

基于Gabor滤波的并行网络无参考图像质量评价

为解决在基于深度学习的无参考图像质量评价(no-reference image quality assessment,NR-IQA)领域内图片失真可能导致的图片边缘模糊问题,提出一种基于Gabor滤波的并行网络无参考图像质量评价算法。考虑到图片失真的非均匀性,利用可提取空间局部频域特征的Gabor滤波器来获取边缘图片;将灰度图片和边缘图片共同输入并行网络,融合并行网络所提取到的图像质量特征,并通过全连接层所组成的回归网络将其映射到质量分数。该算法采用128×128的图片块,既能达到增加数据集的作用,又不过多损失图片的整体信息。本文在LIVE和TID2013共2个图像数据集上进行了实验,并与其他性能良好的无参考图像质量评价算法进行了对比。实验结果表明,所提出的算法与人的视觉系统(human visual system,HVS)具有较高的一致性。

跨失真表征的特征聚合无参考图像质量评价

针对现有的基于深度学习的无参考图像质量评价模型容易过拟合,并且对真实失真场景中的未知失真类型难辨识问题,提出一个跨失真表征的特征聚合无参考图像质量评价框架。采用与模型无关的元学习优化算法,学习跨不同失真类型的特征表达,缓解模型过拟合影响;将元学习算法与注意力机制、图神经网络相结合,设计特征聚合模块学习每种失真类型的显著性特征;设计图表示模块学习每种失真类型共有的失真信息,削弱图像内容变化对质量预测的影响。实验结果表明,所提算法在预测真实失真图像质量时能够充分挖掘失真图像的高级语义信息,有效解决真实失真场景下失真图像内容变化、未知失真类型复杂的问题,具有较强的推理和泛化能力。

基于对抗和梯度的无参考图像质量评价算法

由于现有的生成对抗网络(GAN)很难完全获取细节上的失真,生成高质量图像仍旧比较困难。为了提高基于GAN的无参考图像质量评价(NR⁃IQA)方法的性能,提出一种基于对抗和梯度的NR⁃IQA方法。通过改进网络模型结构和引入基于梯度和色度相似性的平均偏差相似指数(MDSI)来提升模型的整体性能,整个模型由GAN和质量预测网络组成。首先,为了增强对抗训练,设计了双判别器的GAN,将失真图像和参考图像分别输入到网络中,利用WED数据集对GAN进行训练;其次,利用GAN生成相应失真图像的虚拟图像,并分析两者之间的差异,得到失真差异图和MDSI图;最后,为了从多个方面测量图像的感知质量,设计了多流质量预测网络,将失真图像、虚拟图像、失真差异图、MDSI图分别输入到网络中,输出图像质量预测分数。在LIVE、CISQ、TID2013数据集上进行训练和测试,所提算法在三个数据集上都表现出较好的性能,尤其在TID2013上。实验结果表明,该算法与人的主观评价具有较高的一致性。

基于局部特征的无参考模糊图像质量评价算法研究

图像拍摄过程中,相机晃动和快速运动状态下拍摄的图像因失焦而导致模糊,使图像结构发生衰变。通过提取模糊图像的局部标准差和梯度测度图,利用显著性加权策略,得到反映图像微小细节变化的模糊感知测度图,利用图中的像素值特征评价图像质量,在LIVE、CSIQ数据库取得较好性能,且时间复杂度低。

基于自然图像统计的无参考图像质量评价

为了解决无参考图像情况下的质量评价问题,基于变换域的自然图像统计模型,提出一种适用于白噪声、高斯模糊、JPEG2000压缩等失真类型的无参考图像质量评价方法.利用自然图像Contourlet变换域子带均值间的线性关系,用失真条件下保持不变的低频子带均值预测未失真的高频子带均值,以高频子带预测均值与实际均值之间的差异计量图像的失真.结合人类视觉系统特性,对不同尺度、不同方向子带及子带内不同区域进行选取与加权,综合得到对失真图像的客观质量评价.实验表明,该质量评价测度与主观质量评价有较好的一致性,且在性能上优于峰值信噪比(PSNR).

颜色空间统计联合纹理特征的无参考图像质量评价

为了客观评价图像质量,本文提出联合颜色空间统计特征和权重局部二值模式(Local Binary Pattern,LBP)纹理特征的无参考图像质量评价模型。首先,对失真图像进行亮度去均值对比度归一化(Mean Subtracted Contrast Normalized,MSCN)操作得到MSCN系数;然后,对MSCN系数提取其统计参数特征和权重LBP直方图特征,其中统计参数由广义高斯模型获得,权重为MSCN系数的幅度。另外,还采用了Lαβ颜色空间下红绿和蓝黄分量的自然场景统计(Natural Scence Statistics,NSS)特征来增强基于颜色失真的描述,并运用非对称广义高斯模型获得统计参数特征。最后,运用SVR建立图像质量评价指标到主观质量得分的回归模型。在LIVE,CSIQ,TID2013和MLIVE数据库上的实验结果表明:4个数据库加权平均Spearman秩相关系数为0.776,Pearson线性相关系数为0.821,均优于其他方法;图像大小为512×512时特征提取只需0.19s。本文提出的方法与人眼主观感知具有良好的一致性,并具有复杂度低等优点。

学习相位一致特征的无参考图像质量评价

为了有效地评价不同失真类型的图像质量,该文提出一种利用广义回归神经网络(GRNN)学习图像相位一致特征的无参考评价方法。该方法首先使用相位一致模型产生相位一致图像、相位一致协方差最大、最小图像,然后利用灰度-梯度共生矩阵模型计算该3幅图像的梯度熵、原始图像的梯度均值和梯度熵,再加上该3幅图像的均值,共8个特征输入GRNN模型训练学习,预测得到图像质量评价得分。实验结果表明新方法与主观得分有较好的一致性,同时具有可靠的推广性。

基于多特征融合和卷积神经网络的无参考图像质量评价

为了更好地评价图像质量,解决在基于卷积神经网络的图像质量评价模型(CNN-IQA)上明显忽略的分块图像之间存在差异性的问题,提出了一种多特征融合的CNN模型。首先,将整幅图像进行不重叠分块,并提取每个分块图像的信息熵和纹理特征。然后,将提取计算的两特征相结合,计算各分块图像的重要性权重,以此衡量分块图像对失真图像质量的影响。最后,根据计算出的重要性权重修改损失函数,突出重要性高的分块图像在训练过程中发挥的作用。在LIVE数据集进行验证和对比实验发现,该算法的SROCC与LCC指标为0.962和0.960,相比原算法至少提升0.9%;在TID2008数据集上验证和对比实验发现,该算法获得的SROCC与LCC指标为0.922和0.926,相比原算法至少提升0.6%。并且在两数据集上的结果均优于其他对比算法。实验结果证明了其在预测图像质量方面具有良好的性能和泛化性。

模糊失真图像无参考质量评价综述

图像的模糊问题影响人们对信息的感知、获取及图像的后续处理.无参考模糊图像质量评价是该问题的主要研究方向之一.本文分析了近20年来无参考模糊图像质量评价相关技术的发展.首先,本文结合主要数据集对图像模糊失真进行分类说明;其次,对主要的无参考模糊图像质量评价方法进行分类介绍与详细分析;随后,介绍了用来比较无参考模糊图像质量评价方法性能优劣的主要评价指标;接着,选择典型数据集及评价指标,并采用常见的无参考模糊图像质量评价方法进行性能比较;最后,对无参考模糊图像质量评价的相关技术及发展趋势进行总结与展望.

基于信息熵和深度学习的无参考图像质量评价方法研究

现有使用卷积神经网络进行图像质量评价的方法,存在训练数据量不足、局部图像块失真、分数不能确定等问题。针对这些问题,提出了一种基于信息熵的卷积网络模型IQA-CNN。在考虑信息熵对图像质量影响的基础上,将LIVE数据集中的失真图像进行分块处理,以扩大训练集;计算各分块的信息熵作为分块重要性权重,代表其对失真图像质量的影响程度,并基于该权重对卷积神经网络的损失函数进行调整。在两个数据集上的交叉验证结果表明,提出的模型能很好地预测失真图像的质量,预测结果更接近人类视觉感知。

基于色彩感知的无参考图像质量评价

图像发生失真会改变RGB色彩空间的颜色特征、各色彩分量的亮度分布及其间的相关性,基于此,提出了一种新的无参考图像质量评价方法。首先,标准化6种颜色系数以消除光照环境变化对RGB模型的影响,并利用各颜色系数的拟合广义高斯分布模型(GGD)的形状参数作为颜色统计特征;其次,分别计算各色彩分量的均值减损对比归一化(MSCN)系数及其邻域系数间的互信息,利用互信息作为统计特征来描述其各分量间的相关性;进而,利用人眼更为敏感的G分量MSCN系数的拟合GGD模型参数及其4方向邻域MSCN系数的拟合非对称广义高斯分布模型(AGGD)参数作为亮度统计特征;最后,分别利用支持向量回归机(SVR)和支持向量分类机(SVC)构建无参考图像质量评价模型和图像失真类型识别模型,并在LIVE等数据库上进行了算法与差异平均意见分(DMOS)的相关性、模型的鲁棒性等方面的实验。实验结果表明,本文方法的评价结果与人类主观评价具有高度的一致性;而且图像失真类型识别模型的识别准确率也高达到93.59%,明显高于当今主流无参考图像质量评价方法。

基于纹理特征的无参考图像模糊度评价方法

图像的纹理信息是人眼观察和识别物体的重要特征,根据清晰图像低通滤波前后纹理特征变化较大的特点,提出了基于纹理特征的无参考图像模糊度评价方法,对输入图像进行不同尺度的低通滤波,得到输入图像的两个副本,利用灰度共生矩阵求取两个副本图像的纹理特征变化量,以此作为图像的模糊评价依据。实验表明,该算法计算的模糊度相对于图像的模糊程度是单调的,具有良好的抗噪性,并且符合人眼视觉系统特性。

视觉掩盖效应下的无参考图像信噪比评价

针对噪声图像,提出一种视觉掩盖效应下的无参考图像信噪比评价方法。采用Hosaka分块思想,利用四叉树分解,取消了Hosaka分块对图像尺寸的限制,分块的大小体现出块内图像的主要频率成分;然后检测各个子块噪声,根据图像的污染程度,计算NRPSNR值。利用LIVE Database Release2图像库中的WN的174幅图像检验NRPSNR与DMOS的相关度,并与MSE、PSNR以及HVSNR比较分析。实验结果表明,该方法总体评价效果优于其他3种评价方法,CC为-0.895 0,SROCC为-0.923 6,OR为0.042 9,主客观评价比较吻合,且对于其他噪声类型同样适用,体现了人的视觉掩盖效应,可以满足对无参考噪声图像进行准确可靠的质量评价要求。

基于自然统计特征分布的无参考图像质量评价

针对目前的无参考评价方法无法准确反映人类对图像质量的视觉感知效果,该文提出一种基于自然统计特征分布(DIstribution Characteristics of Natural statistics,DICN)的无参考图像质量评价方法。其原理是用小波变换将图像分解为低频子带和高频子带部分,再将高频子带部分分成8′8的小块,提取每一子块的幅值和信息熵,并分别计算其分布直方图均值和斜度作为特征,利用支持向量回归思想对特征进行训练,建立5种不同失真类型的质量预测模型。在此基础上,采用支持向量机针对图像特征构造分类器并进行失真判断以确定不同失真的权重,结合5种失真评价模型可得到自然统计特征分布的无参考评价模型。实验结果分析表明,该算法的评价效果优于现有的经典算法,与主观评价具有较好一致性,能够准确反映人类对图像质量的视觉感知效果。